实习基地建设与人才培养的探讨

阐述了实习教学基地的建设及为提高学生的实践动手能力进行的实习教学改革所做的工作,并给出了一些建设性的建议。     

一种能实现弱T范数簇运算的模糊神经元模型

基于T／S范数提出了一种新神经元模型，它实际代表了一个神经元数，对文献[3]神经元模型的推广，且能实现广义的“与、或和平均”运算，通过适当地选择T－范围和S－范数，该模型能实现T／S范数簇运算，本文也讨论了该模型对某些运算的封闭能力，以便对由这种神经元构成的网络进行简化时提供依据。     

一种有效的Gk-prototypes聚类算法

针对传统的聚类算法对初始聚类中心敏感、只能对单一属性聚类且聚类效果有时欠佳等不足,提出了一种能处理数值属性和分类属性的Gk-prototypes聚类算法。在经典的k-prototypes聚类算法的基础上,利用去模糊相似矩阵来构造粗粒子集,结合粒计算和最大最小距离法确定初始聚类中心,并改进了目标函数。实验结果和理论分析表明,Gk-prototypes聚类算法与其他基于k-prototypes的改进算法相比,聚类更准确,有效性更好,鲁棒性更强。     

改进量子粒子群算法的模糊神经网络水质评价

传统的粒子群算法训练神经网络的水质评价模型有学习速度慢,容易陷入局部最优和精确性不高的缺点。为了克服模型的缺点,提出了利用改进的自适应量子粒子群算法训练T-S模糊神经网络的新模型,新的自适应量子粒子群算法通过在算法中引入聚集度的概念,使得算法可以在迭代中自适应地调整收缩扩张系数,让算法更具动态自适应性。新的模型结合了量子粒子群算法和T-S模糊神经网络的优点,提高了模型的泛化能力。通过对东江湖流域站点2002到2013年的水文数据进行实验,结果显示,该模型比其他神经网络模型的评价结果具有更高的效率,适合被用于日常水质评价工作。     

多重多维模糊推理算法的连续性和逼近性

针对多重、多维模糊推理情形,细致地研究了几类模糊推理算法是否满足连续性和逼近性,并进一步讨论了这几类算法对逼近误差的传播性能。把模糊推理算法看成是一个模糊集合到另一个模糊集合的映射,选用海明距离作为两模糊集的距离度量方法,证明了在模糊假言推理和模糊拒取式推理情形,几类多重多维模糊算法都拥有连续性。当多重多维模糊算法满足还原性时就具有逼近性;该模糊算法都不会放大逼近误差。结果对构建模糊控制系统和模糊专家系统时选用和分析模糊推理算法有一定的指导作用。     

应用改进视觉显著性度量方法进行图像分割

视觉注意机制是人类与生俱来的特有属性.在视觉注意机制的协助下,人类视觉系统可以有选择性地针对视觉信息进行处理并有效解决有限信息处理资源与海量视觉信息之间的矛盾.与现有基于计算机视觉机制的图像分割方法比较,本文提出改进视觉显著性度量方法生成的系统显著图能够更加准确表现原始图像中各个像素点的显著性值,根据系统显著图进行阈值分割便可以对前景目标和背景区域进行区分,不需要加入其他方法,这样既可以降低运算时间复杂度,又可以使得图像分割结果更符合人类视觉特点.本文算法对于包含前景目标可得到优良的图像分割结果,但本方法对于背景较复杂同时前景目标模糊的原始图像的图像分割效果不够理想.     

基于爱因斯坦t-模的模糊联想记忆的学习算法

为神经网络提供有效学习算法是神经网络研究的关键问题。文章利用t-模的伴随蕴涵算子,为基于Max和Tes合成的模糊联想记忆网络Max-TesFAM提供了一种新的学习算法,此处Tes是由爱因斯坦提出的一种t-模算子。从理论上严格证明了,只要Max-TesFAM能完整可靠地存储所给的多个模式对,则该新的学习算法一定能找到使得网络能完整可靠存储这些模式对的所有连接权矩阵的最大者。最后,用实验说明了所提出的学习算法的有效性。     

具有适应度选择调整策略的混沌遗传算法及其应用

针对遗传算法在非线性系统优化问题中易陷入局部最优，且大量研究改进后仍存在不足的问题。根据混沌运动的结构特点，提出了一种解决非线性系统优化问题的混沌遗传算法（CGA，Chaos Genetic Algorithm）。该算法将混沌变量引入遗传算法的优化变量中，使两者的取值范围相互映射，利用更新后的混沌变量转换为“染色体”进行遗传操作，同时根据适应度大小选择需要附加混沌扰动的群体，使变异操作具有导向性，经过多次进化，得出问题的最优解。仿真实验利用多种测试函数和相似的智能优化算法进行对比验证。结果表明，该算法保证了非线性系统优化问题动态响应的速度和寻优结果的精度，定量的评价了混沌遗传算法的优化效果。     

一种基于神经网络的模糊推理方法

对于Zadeh的模糊关系合成法则（简称CRI方法），选择一个适宜蕴涵关系矩阵是至关重要的。通常蕴涵关系矩阵的元素值是通过一个所构造的数学表达式计算的，或是由领域专家凭经验直接给出。然而，有时，特别是对于后一种情形，CRI法不能满足模糊推理最基本的一致性要求。文章构造了一个神经网络用于模糊推理，新方法不仅是CRI方法的推广，而且远比CRI方法易于满足推理的一致性要求。得益于神经网络的长处，新方法具有灵活性、可调性。文章给出了权值的具取值法。     

混沌差分进化粒子群协同优化算法

为有效地改善差分进化粒子群算法的性能,结合反向学习策略和信息交互机制,提出了一种新的混沌差分粒子群协同优化算法.该算法采用反向学习策略产生初始种群,使得初始个体尽可能均匀分布,然后将初始种群随机等分为双种群,对双种群分别采用改进的混沌差分进化算法和混沌粒子群优化算法进行协同寻优,并在双种群中引入信息交互学习机制,在维持种群多样性的同时加快收敛速度.通过对四个复杂高维的标准函数寻优测试,仿真结果表明,该算法能有效避免早熟收敛,收敛速度快,寻优精度较高,具有良好的全局搜索能力,鲁棒性好.